回归模型中的加权变量我想知道如何在回归模型中加权变量。 我有一些变量可能对我的模型贡献更大，我希望找到一种方法，让 JMP 比其他变量更重视这些变量。 我知道我可以先将它们输入逐步回归模型。 我想这样做，但我也想对某些变量赋予比其他变量更多的权重。
高级统计建模消费者和市场研究回复：回归模型中的加权变量有趣的研究。 此外@马克贝利的观点，我有一些问题想问你：
看来您正在尝试根据脑容量预测受试者将属于哪一类（正常或 TBI）。
- 有什么方法可以使类别更加连续或至少有序？
- “团体成员资格”是什么意思？ 使用什么指标来进行这种分类，还是主观判断？ 您是否再次考虑过测量系统误差？
- 您如何测量大脑体积？您考虑过测量系统误差吗？
- 什么是脑容量异常？ 使用什么测量来确定这些？ 是否有其他测量方法可以代替脑容量（例如密度、尺寸、重量、脑电图）
- 什么是“脑容量变量”？
- 预测模型已经做了什么？ 这些型号是什么？
正如已经建议的，模型将具有与每个变量相关的参数。 这些参数已经根据对响应变量的影响进行了“加权”。
回复：回归模型中的加权变量此外，还有许多其他类型的预测模型。 我建议的两种方法是递归分区和神经网络。 前者特别有利于解释，后者特别有利于准确性。
JMP Pro 中还有其他功能可以显着提升预测性能。 请参见帮助 > JMP 文档库 > 预测建模指导。
回复：回归模型中的加权变量您正在使用“线性回归”对响应进行建模并预测结果。 线性预测器是线性组合。 参数或系数已经是总和或累加中的权重。 它们基于数据（观察）提供的经验证据。 如果预测变量出现在非常不同的尺度（即幅度）上，您可能需要对它们进行居中和缩放。
事实上，您有多个与患者结果一致变化的预测变量，这意味着您存在共线性问题，这会扩大参数估计值的方差。 估计值不稳定，即使数据发生很小的变化（例如，一个观察值或新数据），也可能会发生巨大变化。将预测变量居中和缩放会有所帮助，但可能无法消除问题。 您可以选择使用一个显性预测变量来避免此问题。 如果这些预测变量中的信息并非完全冗余，那么您可以考虑使用主成分分析来合成新的独立预测变量，这也可能会改善解释。具体取决于新预测变量上原始变量的加载。
回复：回归模型中的加权变量我们对 80 名正常对照受试者和 54 名创伤性脑损伤 (TBI) 患者进行了脑容量测量。我们正在尝试创建一个模型，根据脑容量测量来预测群体成员身份（正常与 TBI）。
在我们之前的研究中，我们发现我们组的TBI患者存在多种脑容量异常。因此，我们想利用该研究中的效应大小来对我们的预测模型的脑容量变量进行加权，并根据变量的效应大小按比例对变量进行加权。
有没有办法做到这一点？您认为这会比预测模型已经做的更有帮助吗？
回复：回归模型中的加权变量在回归中，加权通常适用于观测值，而不是变量。 JMP Pro 中的广义回归平台提供了多种惩罚回归技术（惩罚类似于逆权重），可缩小每种效应的参数估计值。 不过，权重是基于数据的。 它不作为另一个变量或用户输入提供。
你确定变量权重的依据是什么？ 您如何确定某些变量具有更大的权重以及权重是多少？ 变量权重的形式或性质是什么？
